Modelos Basados en Árboles para Trading: Random Forests y Gradient Boosting sobre Variables de Mercado

Modelos Basados en Árboles para Trading: Random Forests y Gradient Boosting sobre Variables de Mercado

Las redes neuronales se llevan los titulares, pero con el tipo de datos que la mayoría de los traders tiene de verdad — una tabla de variables construidas con una etiqueta por fila — los modelos que ganan en silencio son los basados en árboles: random forests y árboles potenciados por gradiente (XGBoost, LightGBM, CatBoost). Se entrenan rápido, perdonan variables desordenadas, son difíciles de batir en datos tabulares y te dicen qué entradas importan. Esto es una mirada práctica a usarlos para señales de trading sin engañarte a ti mismo.

Por qué los árboles encajan tan bien con datos de mercado

• Manejan variables mixtas y sin escalar. Un RSI de 14 periodos, un retorno logarítmico y un indicador de día de la semana pueden estar en la misma tabla sin normalización — los árboles dividen por umbrales, así que la escala es irrelevante.
  
• Capturan interacciones no lineales de forma automática: "compra solo cuando el RSI esté bajo Y la volatilidad esté subiendo Y no sea viernes" es exactamente el tipo de regla que un árbol aprende de forma nativa.
  
• Son robustos ante entradas irrelevantes. Mete una variable que resulta ser inútil y el modelo en su mayoría la ignora, en lugar de reventar.
  

Random forest frente a gradient boosting

Ambos son conjuntos (ensembles) de árboles de decisión; la diferencia es cómo los combinan:

• Random forest hace crecer muchos árboles profundos de forma independiente sobre muestras con reemplazo y los promedia. Baja varianza, muy difícil de sobreajustar, casi sin ajuste. Una referencia estupenda y honesta.
  
• Gradient boosting hace crecer los árboles de forma secuencial, cada uno corrigiendo los errores del conjunto anterior. Suele ser más preciso, pero puede sobreajustar y necesita un ajuste cuidadoso (tasa de aprendizaje, profundidad, número de rondas, regularización).
  

Empieza con un random forest para obtener una referencia fiable y luego pasa a gradient boosting si necesitas la ventaja extra y estás dispuesto a ajustarlo con cuidado.

Un pipeline mínimo y honesto

from sklearn.ensemble import RandomForestClassifier

from sklearn.model_selection import TimeSeriesSplit



# X: variables por barra; y: etiqueta futura (p. ej. sube/baja el próximo día)

model = RandomForestClassifier(

    n_estimators=400, max_depth=6,

    min_samples_leaf=50,        # hojas grandes resisten el sobreajuste al ruido

    n_jobs=-1, random_state=0)



cv = TimeSeriesSplit(n_splits=5)   # NUNCA k-fold barajado en series temporales

# evalúa pliegue a pliegue, entrena con el pasado, prueba con el futuro

Fíjate en el TimeSeriesSplit: los modelos de árboles no te eximen de una validación honesta y ordenada en el tiempo. Todo lo relativo a fugas, purga y embargo de una buena validación cruzada sigue aplicando — los árboles solo hacen que la fuga sea más fácil de ocultar porque ajustan demasiado bien.

El etiquetado: la decisión que domina los resultados

El modelo vale tanto como aquello que le pides predecir. "¿Cerrará la próxima barra al alza?" es casi todo ruido. Las mejores etiquetas predicen algo operable: el signo del retorno a un horizonte, si un movimiento escalado por volatilidad toca un objetivo antes que un stop (la idea de la triple barrera), o un régimen. Dedica más tiempo a la etiqueta que al algoritmo — importa más.

Importancia de variables: útil, pero léela con cuidado

Los árboles ordenan la importancia de las variables gratis, lo cual ayuda mucho a entender tu señal. Dos advertencias:

• La importancia por defecto (por impureza) está sesgada hacia variables de alta cardinalidad y correlacionadas. Prefiere la importancia por permutación calculada sobre un pliegue reservado.
  
• La importancia no es causalidad. Una variable puede salir muy alta porque filtra el futuro. Si una entrada domina de forma sospechosa, revísala por look-ahead antes de celebrar.
  

Formas en que la gente se engaña (y cómo no hacerlo)

• Validación cruzada barajada — infla las puntuaciones enormemente en datos autocorrelacionados. Usa solo divisiones ordenadas en el tiempo.
  
• Ajustar sobre el conjunto de test — cada hiperparámetro que eliges mirando la puntuación de test es sobreajuste a cámara lenta. Reserva un hold-out final que toques una sola vez.
  
• Ignorar los costes — un clasificador con un 55% de acierto puede aun así perder dinero tras el spread y la comisión. Evalúa siempre el P&L neto de actuar sobre la señal, no solo la precisión de clasificación.
  
• Desequilibrio de clases — si el 90% de las barras son "planas", la precisión no significa nada; mira precisión/recall sobre la clase que de verdad operas.
  

La conclusión

Para variables tabulares de trading, un random forest o un modelo potenciado por gradiente bien validado suele ser la herramienta más pragmática a la que puedes recurrir: rápida, interpretable y fuerte de serie. La parte difícil nunca fue el algoritmo — son las etiquetas honestas, la validación sin fugas y juzgar el modelo por el dinero tras costes. Acierta en eso y los árboles te recompensarán; sáltatelo y sobreajustarán de maravilla.

¿Qué variables y qué etiqueta le das a tu modelo? Comparte el montaje y le hacemos una revisión de cordura buscando fugas y realismo de costes.